如何利用上下文引擎生成可合并代码 — Peter Werry, Unblocked

在 AI 工程领域，智能体（agent）的可靠性一直是核心挑战。Peter Werry 在演讲中提出了一个尖锐的类比：放射科医生在阅片时，如果找到一个指标就停止，可能会漏掉其他关键信息，这被称为“满足于搜索”（satisfaction of search）。他认为，AI 智能体在代码库中工作时也会犯同样的错误——它们会搜索到一个看似合理的答案，然后停止，导致对代码库的理解不完整。这种“信息获取不等于理解”的观点，直击当前大语言模型应用的痛点。

Werry 进一步指出，在智能体出现之前，人类开发者本身就是“上下文层”，通过浏览讨论、阅读代码来积累“部落知识”。而智能体就像第一天上班的专家工程师，每次任务都要重新摸索构建、测试和部署的方式，然后很快忘记。即使拥有百万 token 的上下文窗口，也无法解决这个问题，因为上下文不匹配，智能体会分心。

为了解决这个问题，Werry 展示了 Unblocked 的上下文引擎。在演示中，一个关于内部组件的问题，引擎返回了一个之前不存在的架构图，并附带了来源，方便人类核查。接着，他在 Claude Code 中运行了两次相同的优化计划，一次使用上下文引擎，一次不用。结果显示，使用上下文引擎后，任务完成时间约为一分钟，成本不到一美元；而不用时，时间翻倍，成本更高，因为智能体需要自行探索，且可能发现错误的信息，导致后续步骤出错。

对于中文 AI/科技读者而言，这个演讲的价值在于它提供了一个具体的案例，说明如何通过工程手段提升智能体的可靠性，而不是单纯依赖模型能力的提升。上下文引擎的设计理念——动态生成结构化信息并附带来源——对于构建可信任的 AI 工具具有借鉴意义。同时，它也提醒我们，在追求“大模型”的同时，不要忽视“小工程”的重要性。